基于改进DLT算法的单目标识别跟踪研究

为了提高DLT算法在视频中运动目标物体的跟踪鲁棒性、稳定性、实时性,对DLT算法进行改进。通过中值光流法计算初始位置和预测位置像素点灰度值的欧氏距离;运用一种新的在线学习机制P-N学习,用标记样本训练分类器,修改错误的正负样本,然后通过分类器对未被标注的数据进行标注,依次进行迭代训练;利用误差法和NCC法筛选出跟踪点,根据跟踪点的位置和距离的变化计算出目标框的大小和位置,实现目标跟踪。结果表明,改进后的DLT算法的目标跟踪的鲁棒性增强,能够根据目标框的实际情况获取有效的特征点,减少视频流中的目标过大或过小导致跟丢的情况。